206 讀數

Deep Lake，深度学习的 Lakehouse：性能基准

经过 Dataology: Study of Data in Computer Science4m2024/06/05

太長; 讀書

研究人员介绍了 Deep Lake，这是一个用于深度学习的开源湖屋，它为深度学习框架优化了复杂数据存储和流媒体。

featured image - Deep Lake，深度学习的 Lakehouse：性能基准

作者：

（1） Sasun Hambardzumyan，Activeloop，加利福尼亚州山景城，美国；

（2） Abhinav Tuli，Activeloop，美国加利福尼亚州山景城；

（3） Levon Ghukasyan，Activeloop，加利福尼亚州山景城，美国；

（4）Fariz Rahman，Activeloop，美国加利福尼亚州山景城；

（5） Hrant Topchyan，Activeloop，美国加利福尼亚州山景城；

（6）David Isayan，Activeloop，美国加利福尼亚州山景城；

（7）Mark McQuade，Activeloop，美国加利福尼亚州山景城；

（8） Mikayel Harutyunyan，Activeloop，美国加利福尼亚州山景城；

（9） Tatevik Hakobyan，Activeloop，加利福尼亚州山景城，美国；

（10） Ivo Stranic，Activeloop，加利福尼亚州山景城，美国；

（11）Davit Buniatyan，Activeloop，加利福尼亚州山景城，美国。

链接表

6. 性能基准

在本节中，我们将通过实验展示 Deep Lake 相对于其他数据加载器和格式的大规模性能，从提取格式到大规模训练。我们比较了来自不同存储后端的流式数据集，并展示了在云端训练时的性能提升和可扩展性。

6.1 各种格式的提取速度

FFHQ [43] 数据集中的 10,000 张图像未压缩并以 NumPy 格式存储。每个 1024x1024x3 原始图像都是一个 3MB 数组。然后，如图 6 所示，将图像按顺序写入每种格式。为了提高性能，我们使用 TensorStore [23] 写入 Zarr [52] 和 N5 [24] 格式。实验是在 AWS c5.9xlarge 机器上进行的。与数组格式相比，Deep Lake 的写入性能明显更快，与 WebDataset [19] 和 FFCV Beton [39] 等二进制格式相当

6.2 本地数据加载器的比较

如图 7 所示，Deep Lake 在没有模型的情况下在 PyTorch 训练循环中实现了更快的数据加载。实验在 AWS P3.2xlarge 实例上进行，使用一个 Nvidia V100 GPU

卡。该数据集随机生成了 50,000 张 250x250x3 图像，存储为 JPEG 文件。进行基准测试的库列表包括 Deep Lake、FFCV [39]、Squirrel [75]、Webdataset [19] 和原生 PyTorch 数据加载器 [58]。

6.3 来自不同位置的可流式数据加载器

如图 8 所示，在本实验中，我们使用与第 6.2 节相同的数据集探索了远程流式传输的不同存储后端。MinIO [17] 在本地网络中的另一台机器上运行。值得注意的是，与 AWS S3 相比，Deep Lake 实现了与数据在机器本地时类似的性能。WebDataset 和 Deep Lake 在从

MinIO 与 AWS S3 的比较。如需更详细的数据加载器基准测试，我们推荐 Ofeidis 等人撰写的详尽数据加载器概述研究。[54]

6.4 云端 ImageNet 训练

由于 Deep Lake 是云端优先构建的，因此在本节和下一节中，我们将展示它为在云端训练模型带来的好处。我们采用 ImageNet 数据集 [35] 并将其作为原始和 Tensor 存储格式存储在 AWS S3 [1] 上。该数据集包含 120 万张图像和标签，总共 150GB。Deep Lake 实现了几乎与数据在机器本地相同的训练性能。这节省了高达 4 倍的 GPU 计算时间和成本，如图 9 所示

6.5 大型多模态数据集的分布式训练

作为第二个实验，我们采用包含 4 亿个图像文本对的 LAION 数据集 [67] 并训练 CLIP [60]，即具有 10 亿个参数的图像文本嵌入模型。原始数据集是一个 Parquet 文件表，其中包含一列图像 URL。从源下载数据集花费了 100 个小时，而提取到 Tensor Storage 格式仅花费了 6 个小时，总大小为 1.9TB。数据集已存储在美国东部地区的 AWS 上，同时在美国中部地区训练 GPU 机器。如图 10 所示，Deep Lake 通过将 5,100 张图像/秒传输到 16 个 Nvidia A100 GPU 来实现高 GPU 利用率，而没有模型的情况下在同一地区每台机器高达 80,000 张图像/秒。